nageoffer / ragent

后端程序员转型 AI 工程师的第一站 
## 🚀 什么是 Ragent AI？
Ragent 是一个面向 Agentic RAG 演进的生产级 Java AI 应用平台，覆盖从文档入库到智能问答的完整链路。
- **混合检索**：向量、关键词、知识图谱、联网搜索并行召回，支持去重、RRF 融合与 Rerank。
- **问题理解**：支持查询词映射、问题重写与拆分、树形意图识别和多知识库路由。
- **模型与工具**：支持模型档位、首包探测、熔断降级，以及 AgentScope 的 MCP 工具发现与调用。
- **会话记忆**：最近 N 轮消息结合持久化摘要，控制 Token 成本并保留关键上下文。
- **流量保护**：Redis 公平排队与分布式并发控制，避免突发请求压垮模型服务。
- **知识闭环**：提供可编排入库 Pipeline、远程刷新、回答溯源、用户反馈、Trace 和管理后台。
生产落地智能体会踩的坑，这里都有对应方案，一套经过真实场景锤炼的工程实践，系统补全 RAG / Agent / MCP 等知识，面试写进简历聊得起来。
## 🧭 快速导航
> 觉得不错？先点个 Star 收藏，所有链接都会在新标签页打开，不会离开本页 👇
|   | 链接 | 说明 |
|:---:|:---|:---|
| 📖 | 官网文档 | Ragent AI 完整文档 |
| 🚀 | 在线体验 | 无需部署，直接体验 Ragent AI |
| ⚡ | 快速启动 | 本地搭建 Ragent AI 前后端项目 |
| 📝 | 简历怎么写 | 项目如何写到简历上 |
| 💡 | 为什么不用 Spring AI / LangChain4j | 技术选型的思考 |
## 🤝 贡献
Ragent AI 仍在持续迭代中，欢迎参与共建，一起把项目打磨得更好。 感谢各位亦菲、彦祖们对 Ragent AI 的贡献：
## ❤️ 赞助与支持
感谢以下伙伴对 Ragent AI 的支持！
 moacode 是一家稳定、高效的 API 中转服务商，提供 Claude、GPT、Codex、Claude Code 等多种模型调用服务。Ragent AI 用户可 通过此链接 注册，并在充值时填写 MAGE 优惠码，享受 9 折优惠。
---
## 💡 为什么学习 AI 项目
AI 这波浪潮，Java 程序员已经躲不过去了。
不管你现在做的是业务系统还是中间件，面试的时候多多少少都会被问到 AI 相关的东西。RAG 是什么？Agent 怎么实现？用过 MCP 吗？这些问题越来越高频。可以说，**AI 已经从加分项变成了必答题**。
但说实话，对于大多数应用层的开发者来说，去死磕大模型的微调、蒸馏、Transformer 原理，性价比并不高。真正实用的，是掌握 RAG 和 Agent 这些应用层的东西——能落地、能出活、面试也能聊得起来。
 校招 / 社招 / 怎么学？ （点击展开） 
### 1. 校招现状
简历上清一色的 CRUD 项目——商城、外卖、博客，面试官早就审美疲劳了。当别人还在写基于 SpringBoot 的 XX 管理系统时，你简历上有一个完整的 AI 项目，区分度直接拉满。而且大厂校招越来越看重候选人对新技术的敏感度，AI 项目能直接证明你的学习能力和技术视野。
### 2. 社招现状
2024 年以来，几乎所有技术团队都在往 AI 方向靠。很多公司已经把有 AI 相关经验写进了 JD 里。你可能 Java/Go 写得很溜，但面试官会问：你对 LLM 了解多少？RAG 做过没有？向量检索怎么实现的？答不上来，直接少了一个谈薪的筹码。
**说白了，学 AI 项目的核心原因就三个：**
1. **简历差异化**。从 RAG 知识问答到 ReAct 多轮推理、MCP 工具调用和 Skills 技能应用，Ragent V2 覆盖完整实战链路。把实际完成的功能、解决的问题和验证结果写进简历，体现你的 AI 应用开发能力。
2. **面试有东西聊**。Workflow 与 Agent 如何选型、ReAct 如何决策和调用工具、Skills 如何按需加载、上下文如何压缩、长期记忆如何跨会话保留，以及写操作的人工确认、Langfuse 对推理、工具调用和 Token 的追踪，都能结合源码与设计取舍展开聊。
3. **实际工作用得上**。从有依据的知识问答，到调用外部系统、执行多步任务并确认关键操作，混合检索、MCP、上下文管理、模型容错和链路追踪，都是构建可调试、可扩展、运行有保障的 AI 应用所需的能力。
### 3. 问题是，怎么学？
很多人跟着 B 站视频或者 GitHub 上的开源项目撸了一遍，以为自己懂了。结果面试一问深的，直接懵了。原因很简单：那些 Demo 级别的项目，和企业真正要用的东西，差距太大了。
还有些同学报了训练营，发现清一色是 Python。语言不熟、生态不通，学完感觉收获有限，回到 Java 这边还是不知道怎么下手。就算用 Spring AI 或者 LangChain4j，版本迭代太快，低版本功能缺，高版本升级约等于重写，也是一肚子苦水。
基于这些问题，我决定做一个 Agentic RAG 实战项目，名字叫 **Ragent**。
这个项目覆盖 RAG 全链路和 Agent 智能体两条主线，同时涉及 MCP/Skills 集成。更重要的是，它不是我看了几篇文章拼凑出来的玩具——我在公司**实际落地过 Agentic RAG 系统**，解决过信息孤岛、知识检索、效率提升这些真实的业务问题。所以 Ragent 的复杂度，就是企业级项目该有的复杂度。
学完之后，你可以放心大胆地跟面试官讲：**企业里就是这么做的**。
## ⚠️ RAG / Agent 常见误区
市面上打着 RAG / Agent 旗号的项目不少，但很多要么是玩具级 Demo，要么是概念包装。在学之前，先把这几个误区理清楚，避免踩坑。
传统 RAG 的基本链路如下，Agent 在此基础上增加了任务决策与工具执行：
 4 个常见误区详解 （点击展开） 
### 1. 调个 API 就算会 RAG / Agent 了
很多教程的套路是：调一下 OpenAI 的 Embedding 接口，往向量数据库里塞点数据，再用 LLM 生成答案——完事了。这顶多算跑通了一个 Demo。Agent 也一样，接上 MCP、让模型调一次工具，只是起点。
真正的 RAG 系统要考虑的问题多得多：文档怎么切分效果最好？检索召回率不够怎么办？多路召回怎么融合排序？幻觉怎么控制？到了 Agent，还要考虑工具选错、调用失败后怎么处理，什么时候继续推理、什么时候结束任务。这些才是面试官会追问的点。
跑通 Demo 和做出能上线的系统之间，差的不是代码量，是对每个环节的深入理解。
### 2. RAG 只是“检索 + 生成”，Agent 只是多调几次工具
`Retrieval-Augmented Generation` 这个名字确实容易让人觉得就是检索加生成。但实际工程中，从 RAG 问答到 Agent 执行任务，至少涉及这些环节：
- **数据处理**：PD